ربات ها برای یادگیری از یکدیگر تلاش می کنند و به آموزش های انسانی تکیه می کنند

تحقیقات جدید در دانشگاه کالیفرنیا برکلی نشان می دهد که این فرآیند می تواند خودکار باشد

این کار باعث از بین رفتن مشکلات ربات های آموزش دستی می شود

علیرغم اینکه روبات‌ها به طور فزاینده‌ای در محیط‌های دنیای واقعی ادغام می‌شوند، یکی از چالش‌های اصلی در تحقیقات روباتیک، اطمینان از سازگاری دستگاه‌ها با وظایف و محیط‌های جدید به‌طور کارآمد است.

به طور سنتی، آموزش برای تسلط بر مهارت‌های خاص به مقادیر زیادی داده و آموزش تخصصی برای هر مدل ربات نیاز دارد - اما برای غلبه بر این محدودیت‌ها، محققان اکنون بر ایجاد چارچوب‌های محاسباتی تمرکز می‌کنند که امکان انتقال مهارت‌ها را بین روبات‌های مختلف فراهم می‌کند.

پیشرفت جدیدی در رباتیک توسط محققان دانشگاه UC Berkeley حاصل شده است که RoVi-Aug را معرفی کرده اند - چارچوبی که برای تقویت داده های رباتیک و تسهیل انتقال مهارت طراحی شده است.

چالش انتقال مهارت بین روبات ها

برای سهولت فرآیند آموزش در رباتیک، نیاز است که بتوان مهارت های آموخته شده را از یک ربات به ربات دیگر منتقل کرد، حتی اگر این ربات ها سخت افزار و طراحی متفاوتی داشته باشند. این قابلیت استقرار روبات‌ها را در طیف وسیعی از برنامه‌ها بدون نیاز به آموزش مجدد هر یک از ابتدا آسان‌تر می‌کند.

با این حال، در بسیاری از مجموعه داده های روباتیک فعلی، توزیع نابرابر صحنه ها و نمایش ها وجود دارد. برخی از ربات‌ها، مانند دستکاری‌کننده‌های Franka و xArm، بر این مجموعه داده‌ها تسلط دارند و تعمیم مهارت‌های آموخته‌شده به روبات‌های دیگر را سخت‌تر می‌کنند.

برای رسیدگی به محدودیت‌های مجموعه داده‌ها و مدل‌های موجود، تیم UC Berkeley چارچوب RoVi-Aug را توسعه داد که از مدل‌های انتشار پیشرفته برای تقویت داده‌های رباتیک استفاده می‌کند. این چارچوب با تولید نمایش‌های بصری مصنوعی کار می‌کند که هم در نوع ربات و هم در زاویه دوربین متفاوت است. این به محققان اجازه می‌دهد تا ربات‌ها را در طیف وسیع‌تری از نمایش‌ها آموزش دهند و انتقال مهارت کارآمدتری را ممکن می‌سازد.

این چارچوب از دو جزء کلیدی تشکیل شده است: ماژول تقویت ربات (Ro-Aug) و ماژول تقویت دیدگاه (Vi-Aug).

ماژول Ro-Aug نمایش هایی را شامل سیستم های رباتیک مختلف ایجاد می کند، در حالی که ماژول Vi-Aug نمایش هایی را ایجاد می کند که از زوایای مختلف دوربین گرفته شده است. این ماژول‌ها با هم مجموعه داده‌ای غنی‌تر و متنوع‌تر را برای ربات‌های آموزشی فراهم می‌کنند و به پر کردن شکاف بین مدل‌ها و وظایف مختلف کمک می‌کنند.

لارنس چن (دانشجوی دکتری، AUTOLab، EECS و IEOR، BAIR، UC Berkeley، "موفقیت سیستم های یادگیری ماشین مدرن، به ویژه مدل های مولد، قابلیت تعمیم چشمگیر و انگیزه محققان رباتیک را برای کشف چگونگی دستیابی به قابلیت تعمیم مشابه در رباتیک نشان می دهد. ) و Chenfeng Xu (نامزد دکتری، آزمایشگاه Pallas & MSC Lab، EECS & ME، BAIR، UC Berkeley)، به Tech Xplore بيان کرد .

شما هم ممکن است دوست داشته باشید